交通場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要研究方向,同時(shí)也是無(wú)人駕駛和輔助駕駛系統(tǒng)的重要組成部分。然而復(fù)雜多變的背景以及運(yùn)動(dòng)目標(biāo)自身的運(yùn)動(dòng)屬性,單幀圖像中普遍存在著運(yùn)動(dòng)模糊、失焦模糊以及目標(biāo)遮擋等問(wèn)題,這都給運(yùn)動(dòng)目標(biāo)檢測(cè)任務(wù)帶來(lái)了巨大挑戰(zhàn)。鑒于以上問(wèn)題,如果直接使用基于靜態(tài)圖像的目標(biāo)檢測(cè)器,效果并不理想。但是經(jīng)過(guò)分析發(fā)現(xiàn),在一組連續(xù)的視頻幀中,總會(huì)存在若干各高質(zhì)量特征的圖像幀,能夠使目標(biāo)檢測(cè)器表現(xiàn)出理想的性能。因此,本文改進(jìn)基于靜態(tài)圖像的目標(biāo)檢測(cè)器,通過(guò)提取目標(biāo)的運(yùn)動(dòng)信息,融合相鄰幀特征,從而提升當(dāng)前幀的特征質(zhì)量。主要工作內(nèi)容如下:本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于可變形卷積的特征對(duì)齊網(wǎng)絡(luò)。由于目標(biāo)在不同圖像幀中的空間位置和姿態(tài)均不一致,如果直接融合特征,會(huì)導(dǎo)致多個(gè)時(shí)刻的特征錯(cuò)位疊加,反而不利于目標(biāo)檢測(cè),因此在特征融合先必須進(jìn)行特征對(duì)齊操作。本文探究了Farneback光流法和可變形卷積在特征對(duì)齊方面的表現(xiàn),并最終確定使用可變形卷積來(lái)實(shí)現(xiàn)特征對(duì)齊。該卷積可以學(xué)習(xí)目標(biāo)特征在兩幀之間的像素級(jí)對(duì)應(yīng)關(guān)系,并利用其強(qiáng)大的空間變換能力進(jìn)行特征映射。首先輸入當(dāng)前幀和相鄰幀的特征圖,利用基于可變形卷積的網(wǎng)... 

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)方法的運(yùn)動(dòng)目標(biāo)檢測(cè)
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)
        1.2.3 基于深度學(xué)習(xí)的運(yùn)動(dòng)目標(biāo)檢測(cè)
    1.3 交通場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)難點(diǎn)
    1.4 主要工作內(nèi)容
    1.5 論文結(jié)構(gòu)安排
第二章 常用特征提取網(wǎng)絡(luò)
    2.1 VGG網(wǎng)絡(luò)
    2.2 ResNet網(wǎng)絡(luò)
    2.3 Hourglass網(wǎng)絡(luò)
    2.4 DLANet網(wǎng)絡(luò)
    2.5 本章小結(jié)
第三章 基于時(shí)空特征融合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法
    3.1 網(wǎng)絡(luò)架構(gòu)介紹
    3.2 特征對(duì)齊模塊
        3.2.1 Farneback光流法的基本原理
        3.2.2 基于光流法的特征對(duì)齊模塊的實(shí)現(xiàn)
        3.2.3 可變形卷積的基本原理
        3.2.4 基于可變形卷積的特征對(duì)齊模塊的實(shí)現(xiàn)
    3.3 時(shí)空特征融合模塊
    3.4 目標(biāo)檢測(cè)子網(wǎng)絡(luò)
        3.4.1 Faster RCNN網(wǎng)絡(luò)
        3.4.2 CenterNet網(wǎng)絡(luò)
        3.4.3 目標(biāo)檢測(cè)子網(wǎng)絡(luò)的選擇
    3.5 問(wèn)題幀選取
        3.5.1 基于圖像相似度的問(wèn)題幀選取
        3.5.2 基于圖像清晰度的問(wèn)題幀選取
        3.5.3 基于目標(biāo)運(yùn)動(dòng)尺度的問(wèn)題幀選取
    3.6 本章小結(jié)
第四章 實(shí)驗(yàn)與分析
    4.1 KITTI數(shù)據(jù)集實(shí)驗(yàn)
        4.1.1 數(shù)據(jù)集介紹
        4.1.2 評(píng)價(jià)指標(biāo)介紹
        4.1.3 數(shù)據(jù)預(yù)處理
        4.1.4 訓(xùn)練與測(cè)試過(guò)程
        4.1.5 結(jié)果與分析
    4.2 UA-DETRAC數(shù)據(jù)集實(shí)驗(yàn)
        4.2.1 數(shù)據(jù)集介紹
        4.2.2 評(píng)價(jià)指標(biāo)介紹
        4.2.3 訓(xùn)練與測(cè)試過(guò)程
        4.2.4 結(jié)果與分析
第五章 工作總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
學(xué)位論文評(píng)閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]基于融合特征的視頻關(guān)鍵幀提取方法[J]. 張曉宇,張?jiān)迫A.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(11)
[2]運(yùn)動(dòng)目標(biāo)檢測(cè)的ViBe算法改進(jìn)[J]. 楊丹,戴芳.  中國(guó)圖象圖形學(xué)報(bào). 2018(12)
[3]基于背景差分與幀間差分的目標(biāo)檢測(cè)改進(jìn)算法[J]. 王夢(mèng)菊,吳小龍,杜海濤.  自動(dòng)化技術(shù)與應(yīng)用. 2018(10)
[4]Farneback光流法在短臨預(yù)報(bào)中的應(yīng)用[J]. 安晶晶,劉高平,朱佳寧.  軟件. 2018(10)
[5]基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 張國(guó)平,高兆彬.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(04)
[6]基于改進(jìn)的單高斯背景模型檢測(cè)算法的研究[J]. 徐鴻偉,陳錢(qián),錢(qián)惟賢.  激光與光電子學(xué)進(jìn)展. 2016(04)
[7]一種改進(jìn)的Sobel算子圖像清晰度評(píng)價(jià)函數(shù)[J]. 錢(qián)青,臧冬菊.  計(jì)算機(jī)與數(shù)字工程. 2015(10)
[8]基于背景減除與三幀差分相融合的運(yùn)動(dòng)檢測(cè)[J]. 邱聯(lián)奎,劉啟亮,雷文龍.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(05)
[9]基于中國(guó)市場(chǎng)特定需求的汽車(chē)先進(jìn)駕駛輔助系統(tǒng)發(fā)展趨勢(shì)研究[J]. 馬鈞,曹靜.  上海汽車(chē). 2012(04)

碩士論文
[1]基于深度學(xué)習(xí)的車(chē)輛目標(biāo)檢測(cè)方法[D]. 利照?qǐng)?jiān).廣東工業(yè)大學(xué) 2019
[2]基于改進(jìn)光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D]. 陳祺.哈爾濱工程大學(xué) 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標(biāo)檢測(cè)研究[D]. 謝一德.北京交通大學(xué) 2018
[4]基于多通道成像的運(yùn)動(dòng)目標(biāo)快速檢測(cè)方法[D]. 文闊.西安電子科技大學(xué) 2014



本文編號(hào)：3709477